Skapa den tekniska ryggraden för generativa AI-kundanvändningsfall

Mediabevakning kring ChatGPT har främst fokuserat på den transformerande potential som denna teknik har för att omforma arbetsnaturen.  Men den större historien handlar om hur generativ AI kommer att omvandla kundupplevelsen. En McKinsey-studie visar att 80 procent av kunduppgifter kan automatiseras över kanaler, vilket resulterar i en 20-procentig besparing för kostnaderna för att serva kunder.

ChatGPT och liknande verktyg kan användas för att stödja många användningsfall, över affärsfunktioner som marknadsföring och försäljning, leverantörskedja, kundsupport, produktutveckling och mer. Genom att öka medarbetarproduktiviteten, möjliggöra proaktivt utbud och problemlösning och hantera vanliga friktionspunkter kan generativa AI-lösningar hjälpa team att snabbt utveckla kundorienterade funktioner. För att uppnå denna vision måste företagsgrupper dock övervinna fem olika hinder och distribuera två olika arkitekturer: en för mänskligt förstärkta interaktioner och en för helt automatiserade interaktioner.

5 Utmaningar att Lösa för att Få ChatGPT Klart för Primetime

Vilka är då några av hindren eller riskerna med att implementera generativ AI – och hur kan de mildras?

1. ChatGPT kan inte personanpassa meddelanden: Nuvarande generativa AI-verktyg kan inte personanpassa meddelanden, men personanpassning är nyckeln till att driva produkt- och tjänsteförsäljning, öka köp per köp, öka återkommande försäljning och förbättra kundlojalitet. Marknadsförare behöver företagsklassens generativa AI-teknik för att kunna personanpassa namn, bilder, erbjudanden, produktrekommendationer baserat på nyliga inköp och meddelanden om övergiven varukorg.
2. ChatGPT hallucinerar innehåll: Generativa AI-lösningar använder prompter och utnyttjar tidigare lärande för att skapa innehåll. Detta innebär att de fyller i luckorna med innehåll som lärt sig från statistiska mönster, ofta “hallucinerar” information som inte är sann. För att utnyttja generativ AI och skala den över kundsegment och användningsfall behöver företag kunna identifiera och ta bort detta felaktiga innehåll innan det når användare och godkännare eller distribueras till kunder.

3. Generativ AI kan inte tillämpa affärsregler: Affärsregler strömlinjeformar kundinteraktioner. Smal AI-chattbotar har excellerat i att upptäcka dessa likheter och servera godkända svar. Generativ AI kan inte upptäcka dessa likheter och kommer att skapa originalsvaren på varje fråga, vilket skapar kundförvirring och inför fel i interaktioner. En företagsklassens teknisk arkitektur som kombinerar ett generativt AI-verktyg med företagets fördefinierade affärsprinciper skulle hjälpa till att standardisera dessa svar, vilket ger konsekventa svar över kunder.
4. Generativ AI kan inte säkerställa regelefterlevnad: Kundorienterat innehåll går vanligtvis igenom juridiska granskningar för att säkerställa att bilder, text, erbjudanden och löften följer företagets juridiska, regulatoriska och kundpolicyer. Denna process skyddar företag från kundmisslyckanden, regulatoriska förebråelser och böter och andra typer av affärsskada. Generativ AI kan inte skapa regelefterlevande innehåll, eftersom den inte förstår dessa nyanser. Som ett resultat måste tekniken som utnyttjar generativ AI inbygga juridiska skydd för att identifiera och ta bort icke-regelefterlevande innehåll innan det distribueras eller används offentligt.
5. Oreglerad användning av ChatGPT skapar säkerhetsrisker: ChatGPT-användning är ett fascinerande fallstudie i vad som händer när individer inte kontrolleras av säkerhetspolicyer. Mediaberättelser finns i överflöd om anställda som matar in känslig data i denna offentligt tillgängliga chattbot, vilket riskerar dataexponering och förlust av immateriella rättigheter. Företagsdata och IT-team kan mildra dessa problem genom att segmentera information: skicka känsligt innehåll till domänchattbotar, som skyddas av säkerhetskontroller och system, och dirigera allmänna förfrågningar till ChatGPT.

Utvardering av Nya Arkitekturer för Generativ AI

För att möjliggöra mänskligt förstärkta B2C- och B2B-åtgärder och helt automatiserade B2C-åtgärder kommer företag att behöva två olika arkitekturer.

Båda arkitekturerna utnyttjar öppen källkodsgenerativa AI-verktyg som ChatGPT och andra lösningar som guidar processer från promptinmatning; till datasyntes; till innehållsskapande, rensning och personanpassning; och styrning.

Använda ChatGPT för att Strömlinjeforma Mänskligt Förstärkta B2C/B2B-interaktioner

Låt oss överväga ett vanligt scenario. En marknadsföringsproffs anger en prompt i ett företagsgränssnitt, med en fördesignad frågeguide för att vägleda innehållsutveckling, såsom för en e-postkampanj.

Anställda anger nyckelinformation, inklusive e-postriktningar, önskad målgrupp, produktname, marknadsföringspåståenden och produktkarakteristika, samt eventuella bruksanvisningar.

Arkitekturen utnyttjar sedan kundpersonas för att berika instruktioner med information som kommer att tilltala denna segment, under förutsättning att dessa datamodeller är tillgängliga. Den förbättrade frågan skickas sedan via en extern API till ChatGPT eller något annat liknande generativt AI-verktyg.

Sedan tillämpar en kurator affärsregler och juridiska skydd för att säkerställa att innehållet kommer att uppfylla företagets och regulatoriska standarder. Marknadsföringsproffset granskar sedan och godkänner det resulterande e-postmeddelandet innan det skickas till kundbasen.

Använda ChatGPT för att Automatisera B2C-interaktioner

Vad gäller interaktioner som kan automatiseras fullständigt?

När en användare anger en fråga, berikas den med kundpersonadata, som tidigare. Men den uppdaterade frågan skickas sedan antingen till en domänchattbot som kan personanpassa svar för företagsspecifikt innehåll eller via en extern API till ChatGPT för rutinmässiga frågor. Domänchattboten personanpassar innehåll, medan ChatGPT inte gör det.

Det resulterande innehållet rensas sedan från fel och jämförs med affärsregler och skydd innan det automatiskt distribueras till kunder.

Skörda Nya Affärsvärden från ChatGPT genom Att Distribuera Nya Tekniska Arkitekturer

Tävlingen är igång för att driva ROI från generativ AI. Företagsledare analyserar affärsprocesser för kostnad och slöseri, pratar med leverantörer för att förstå deras tillvägagångssätt och lösningar och utvecklar bevis för koncept. De söker insikter och lösningar som de kan utnyttja för att uppnå snabbhet till värde och snabbhet till skala.

När de gör detta viktiga arbete kan dessa ledare utvärdera alla leverantörer efter deras förmåga att lösa dessa fem vanliga generativa AI-utmaningar och möjliggöra både mänskligt förstärkta och helt automatiserade interaktioner.

Genom att använda dessa två olika grundläggande arkitekturerna kommer företag att kunna uppnå många affärsvinster. De kommer att kunna öka teamproduktiviteten, förbättra kundupplevelsen, minska serviceinteraktionskostnader och driva nya produktsälj. och möjliggöra både mänskligt förstärkta och helt automatiserade interaktioner.